蜉蝣优化算法的改进及其在优化问题中的应用研究

作     者：李婧妍 

作者单位：广西民族大学 

学位级别：硕士

导师姓名：莫愿斌

授予年度：2023年

学科分类：12[管理学] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 081104[工学-模式识别与智能系统] 08[工学] 0835[工学-软件工程] 0811[工学-控制科学与工程] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

主      题：蜉蝣优化算法 化工动态优化 圆度误差评定 惯性权重 柯西变异 元启发式优化算法 

摘      要：蜉蝣优化算法(Mayfly Optimization Algorithm,MOA)是一种新型基于种群的元启发式优化算法,于2020年由Konstantinos等人提出,其寻优过程模拟蜉蝣种群的飞行行为和交配过程。由于该算法具有结构清晰、搜索能力强等特点,在一些优化问题上取得较大进展。但随着相关研究的深入,该算法浮现出搜索后期易陷入局部极值、开发与勘探能力不平衡等缺陷。为此,本文对蜉蝣优化算法进行分析和改进,提出了三种不同改进策略的蜉蝣优化算法,并成功应用于实际优化问题,进一步提升了蜉蝣优化算法的寻优性能并拓展了应用范围。全文的主要研究工作如下:(1)针对求解圆度误差评定问题时容易陷入局部极值的缺陷,提出了改进的蜉蝣优化算法(Improve Mayfly Optimization Algorithm,IMOA)。在MOA的基础上引入柯西变异算子和非线性惯性权重策略,以避免算法陷入局部最优值,同时提高算法的寻优速度。此外,将改进的蜉蝣优化算法结合最小区域圆法和最小二乘法应用于四例圆度误差评定问题。实验结果表明,IMOA在求解速度和精度方面具有显著优势。(2)针对基本蜉蝣优化算法寻优能力的不足,提出了基于Piecewise映射和动态权重的蜉蝣优化算法(Piecewise mapping and Dynamic weighting Mayfly Optimization Algorithm,PDMOA)。将Piecewise映射初始化策略和基于Sigmoid函数的动态惯性权重因子引入MOA,增强了种群多样性和跳出局部最优的可能,同时更好地平衡了算法的全局搜索和局部搜索能力。最后将其用于求解23个基准测试函数和两例工程优化问题。实验结果表明,PDMOA的寻优性能优于其他对比算法。(3)针对解决化工动态优化问题时求解效率低的缺陷,提出了多策略蜉蝣优化算法(Multi-strategy Mayfly Optimization Algorithm,MMOA)。将MOA结合混沌交叉因子、中心游移策略和边界领域修正策略,提高了全局搜索能力和搜索速度以及种群的多样性。最后,将其结合控制向量参数化方法应用于五个经典的化工动态优化问题。结果表明,MMOA得到的性能指标与文献中所提供的数据相比仍具有竞争力。